夢晨 發自 凹非寺
量子位 | 公衆号 QbitAI
如果試題太簡單，學霸和學渣都能考90分，拉不開差距……
随着Claude 3、Llama 3甚至之後GPT-5等更強模型釋出，業界急需一款更難、更有區分度的基準測試。
大模型競技場背後組織LMSYS推出下一代基準測試Arena-Hard，引起廣泛關注。
Llama 3的兩個指令微調版本實力到底如何，也有了最新參考。
與之前大家分數都相近的MT Bench相比，Arena-Hard區分度從22.6%提升到87.4%，孰強孰弱一目了然。
Arena-Hard利用競技場實時人類資料建構，與人類偏好一緻率也高達89.1%。
除了上面兩個名額都達到SOTA之外，還有一個額外的好處：
實時更新的測試資料包含人類新想出的、AI在訓練階段從未見過的提示詞，減輕潛在的資料洩露。
并且新模型釋出後，無需再等待一周左右時間讓人類使用者參與投票，隻需花費25美元快速運作測試管線，即可得到結果。
有網友評價，使用真實使用者提示詞而不是高中考試來測試，真的很重要。
新基準測試如何運作？
簡單來說，通過大模型競技場20萬個使用者查詢中，挑選500個高品質提示詞作為測試集。
首先，挑選過程中確定多樣性，也就是測試集應涵蓋廣泛的現實世界話題。
為了確定這一點，團隊采用BERTopic中主題模組化管道，首先使用OpenAI的嵌入模型（text-embedding-3-small）轉換每個提示，使用 UMAP 降低次元，并使用基于層次結構的模型聚類算法 (HDBSCAN) 來識别聚類，最後使用GPT-4-turbo進行彙總。
同時確定入選的提示詞具有高品質，有七個關鍵名額來衡量：
- 具體性：提示詞是否要求特定的輸出？
- 領域知識：提示詞是否涵蓋一個或多個特定領域？
- 複雜性：提示詞是否有多層推理、組成部分或變量？
- 解決問題：提示詞是否直接讓AI展示主動解決問題的能力？
- 創造力：提示詞是否涉及解決問題的一定程度的創造力？
- 技術準确性：提示詞是否要求響應具有技術準确性？
- 實際應用：提示詞是否與實際應用相關？
使用GPT-3.5-Turbo和GPT-4-Turbo對每個提示進行從 0 到 7 的注釋，判斷滿足多少個條件。然後根據提示的平均得分給每個聚類評分。
高品質的問題通常與有挑戰性的話題或任務相關，比如遊戲開發或數學證明。
新基準測試準嗎？
Arena-Hard目前還有一個弱點：使用GPT-4做裁判更偏好自己的輸出。官方也給出了相應提示。
可以看出，最新兩個版本的GPT-4分數高過Claude 3 Opus一大截，但在人類投票分數中差距并沒有那麼明顯。
其實關于這一點，最近已經有研究論證，前沿模型都會偏好自己的輸出。
研究團隊還發現，AI天生就可以判斷出一段文字是不是自己寫的，經過微調後自我識别的能力還能增強，并且自我識别能力與自我偏好線性相關。
那麼使用Claude 3來打分會使結果産生什麼變化？LMSYS也做了相關實驗。
首先，Claude系列的分數确實會提高。
但令人驚訝的是，它更喜歡幾種開放模型如Mixtral和零一萬物Yi，甚至對GPT-3.5的評分都有明顯提高。
總體而言，使用Claude 3打分的區分度和與人類結果的一緻性都不如GPT-4。
是以也有很多網友建議，使用多個大模型來綜合打分。
除此之外，團隊還做了更多消融實驗來驗證新基準測試的有效性。
比如在提示詞中加入“讓答案盡可能詳盡”，平均輸出長度更高，分數确實會提高。
但把提示詞換成“喜歡閑聊”，平均輸出長度也有提高，但分數提升就不明顯。
此外在實驗過程中還有很多有意思的發現。
比如GPT-4來打分非常嚴格，如果回答中有錯誤會狠狠扣分；而Claude 3即使識别出小錯誤也會寬大處理。
對于代碼問題，Claude 3傾向于提供簡單結構、不依賴外部代碼庫，能幫助人類學習程式設計的答案；而GPT-4-Turbo更傾向最實用的答案，不管其教育價值如何。
另外即使設定溫度為0，GPT-4-Turbo也可能産生略有不同的判斷。
從層次結構可視化的前64個聚類中也可以看出，大模型競技場使用者的提問品質和多樣性确實是高。
這裡面也許就有你的貢獻。
Arena-Hard GitHub：
https://github.com/lm-sys/arena-hard
Arena-Hard HuggingFace：
https://huggingface.co/spaces/lmsys/arena-hard-browser
大模型競技場：
https://arena.lmsys.org
參考連結：
[1]https://x.com/lmsysorg/status/1782179997622649330
[2]https://lmsys.org/blog/2024-04-19-arena-hard
— 完 —
量子位 QbitAI · 頭條号簽約
關注我們，第一時間獲知前沿科技動态